5. DiscussionAnalysis of longitudin

5. Discussion
Analysis of longitudinal data is a crucial statistical approach that is widely used
in the health, social, and biological sciences. In this article we discussed four
statistical models for longitudinal data analysis-ANOVA, MANOVA, MRM, and
GEE. ANOVA and MANOVA are well-known and easy to manipulate in SAS,
and both models assume interval measurement and normally distributed errors that
are homogeneous across groups. ANOVA assumes compound symmetry which has
little validity for longitudinal. And, MAOVA does not permit missing data. They
only estimate and compare the group mean and not informative about individual
growth. MRM models are quite widely used for analysis of longitudinal data.
These models can be applied to ordinal outcomes or nominal or count outcomes
that have a Poisson distribution, which we have not discussed in this paper. The
advantage of MRM is that missing data are ignorable if the missing responses can
be explained either by covariates in the model or by the available responses from a
given subject. The disadvantage is that full-likelihood methods are more
computationally complex than quasi-likelihood methods such as GEE. When the
scientific interest is in estimation and inference of the regression parameters and
not of the variance-covariance structure, GEE provides standard errors that are
robust to mis-specifiction of the variance-covariance structure. Also, as stated,
GEE is often used as a general and computationally convenient method. In fact,
software for performing GEE analysis is available in most of the major statistical
software packages. The disadvantage is that missing data are only ignorable if the
missing data are explained by covariates in the model. This is a more stringent
assumption than MRM, and therefore GEE models have somewhat limited
applicability to incomplete longitudinal data.

ผลลัพธ์ (ไทย) 1:

5. สนทนา
วิเคราะห์ข้อมูลระยะยาวเป็นวิธีการทางสถิติสำคัญที่ใช้กันอย่างแพร่หลาย
ในสุขภาพ สังคม และชีวภาพวิชาวิทยาศาสตร์ ในบทนี้ เราสนทนา 4
โมเดลทางสถิติสำหรับข้อมูลระยะยาวการวิเคราะห์วิเคราะห์ความแปรปรวน MANOVA, MRM และ
GEE การวิเคราะห์ความแปรปรวนและ MANOVA จะรู้จัก และง่ายต่อการจัดการใน SAS,
และทั้งสองรุ่นถือว่าวัดช่วงเวลาและข้อผิดพลาดปกติกระจายที่
จะเป็นเนื้อเดียวกันทั้งกลุ่ม การวิเคราะห์ความแปรปรวนสมมติสมมาตรผสมซึ่งมี
ตั้งแต่เล็ก ๆ ในระยะยาว ก MAOVA ไม่อนุญาตให้ข้อมูลที่ขาดหายไป พวกเขา
เท่า ประเมิน และเปรียบเทียบกลุ่มเฉลี่ย และข้อมูลไม่เกี่ยวกับบุคคล
เจริญเติบโต รุ่น MRM ค่อนข้างใช้สำหรับวิเคราะห์ข้อมูลระยะยาว
รุ่นนี้สามารถใช้ผลเลขลำดับ หรือระบุ หรือนับผล
ที่มีการแจกแจงปัวซอง ซึ่งเราได้กล่าวถึงในเอกสารนี้ไม่
ของ MRM คือข้อมูลหายไป ignorable สามารถตอบสนองการขาด
ถูกอธิบาย โดย covariates ในรูปแบบ หรือ โดยการตอบสนองที่ว่างจากการ
รับเรื่อง ข้อเสียคือวิธีการโอกาสเต็มขึ้นไป
computationally ซับซ้อนกว่าวิธี quasi-โอกาสเช่น GEE เมื่อการ
สนใจทางวิทยาศาสตร์มีการประเมินและข้อของพารามิเตอร์การถดถอย และ
ไม่ของโครงสร้างความแปรปรวนความแปรปรวนร่วม GEE แสดงข้อผิดพลาดมาตรฐานที่
แข็งแกร่งการ mis-specifiction ของโครงสร้างความแปรปรวนความแปรปรวนร่วม นอกจากนี้ ตามที่ระบุไว้,
GEE มักใช้เป็นวิธีการทั่วไป และสะดวก computationally ในความเป็นจริง,
ซอฟต์แวร์สำหรับทำการวิเคราะห์ GEE มีเป็นวิชาสถิติ
ชุดซอฟต์แวร์ ข้อเสียคือ ไม่มีข้อมูลเฉพาะ ignorable ถ้า
ข้อมูลหายไปจะอธิบาย โดย covariates ในแบบจำลอง นี้จะเข้มงวดมากขึ้น
อัสสัมชัญกว่า MRM และรุ่น GEE มีค่อนข้างจำกัด
ความเกี่ยวข้องของข้อมูลระยะยาวที่ไม่สมบูรณ์

ผลลัพธ์ (ไทย) 2:

5. พูดคุยเรื่อง
การวิเคราะห์ข้อมูลระยะยาวเป็นวิธีการทางสถิติที่สำคัญที่มีการใช้กันอย่างแพร่หลาย
ในด้านสุขภาพสังคมและวิทยาศาสตร์ชีวภาพ ในบทความนี้เราได้พูดถึงสี่
แบบจำลองทางสถิติเพื่อการวิเคราะห์ข้อมูลระยะยาว-ANOVA, แปรปรวนพหุนาม, MRM และ
GEE วิเคราะห์และแปรปรวนพหุนามเป็นที่รู้จักกันดีและง่ายต่อการจัดการในเอสเอ
และทั้งสองรุ่นถือว่าการวัดช่วงเวลาและข้อผิดพลาดการกระจายตามปกติที่
มีความเหมือนกันในทุกกลุ่ม ANOVA ถือว่าสมมาตรสารประกอบที่มี
ความถูกต้องน้อยสำหรับยาว และ MAOVA ไม่อนุญาตให้มีข้อมูลที่ขาดหายไป พวกเขา
เพียง แต่ประเมินและเปรียบเทียบกลุ่มหมายและไม่ได้ให้ข้อมูลเกี่ยวกับบุคคลที่
เจริญเติบโต รุ่น MRM มีการใช้กันอย่างแพร่หลายมากสำหรับการวิเคราะห์ข้อมูลระยะยาว
รูปแบบเหล่านี้สามารถนำไปใช้กับผลลัพธ์ที่ลำดับหรือผลลัพธ์ที่น้อยหรือนับ
ว่ามีการกระจาย Poisson ซึ่งเรายังไม่ได้กล่าวถึงในบทความนี้
ประโยชน์จาก MRM คือข้อมูลที่ขาดหายไปเป็น ignorable ถ้าการตอบสนองที่ขาดหายไปสามารถ
อธิบายได้ทั้งโดยตัวแปรในรูปแบบหรือการตอบสนองที่มีอยู่จาก
เรื่องที่กำหนด ข้อเสียก็คือว่าวิธีการอย่างเต็มรูปแบบความน่าจะเป็นมากขึ้นมีความ
ซับซ้อนกว่าวิธีการคำนวณที่เสมือนโอกาสเช่น GEE เมื่อ
ความสนใจทางวิทยาศาสตร์ในการประมาณค่าและการอนุมานของพารามิเตอร์การถดถอยและ
ไม่ได้ของโครงสร้างความแปรปรวนความแปรปรวนร่วม, GEE ให้ข้อผิดพลาดมาตรฐานที่มี
ประสิทธิภาพในการผิดพลาด specifiction ของโครงสร้างความแปรปรวนความแปรปรวนร่วม นอกจากนี้ตามที่ระบุไว้
GEE มักจะนำมาใช้เป็นวิธีที่สะดวกทั่วไปและคอมพิวเตอร์ ในความเป็นจริง
ซอฟต์แวร์สำหรับการดำเนินการวิเคราะห์ GEE สามารถใช้ได้ในส่วนของสถิติที่สำคัญ
ซอฟแวร์ ข้อเสียก็คือว่าข้อมูลที่ขาดหายไปเป็น ignorable เฉพาะในกรณีที่
ข้อมูลที่ขาดหายไปจะอธิบายได้ด้วยตัวแปรในรูปแบบ นี้เป็นที่เข้มงวดมากขึ้น
กว่าสมมติฐาน MRM และดังนั้นจึงมีรูปแบบ GEE ค่อนข้าง จำกัด
การบังคับใช้กับข้อมูลที่ไม่สมบูรณ์ตามยาว

ผลลัพธ์ (ไทย) 3:

5 . การวิเคราะห์อภิปราย
ข้อมูลตามยาวเป็นวิธีการทางสถิติที่สำคัญที่ใช้กันอย่างแพร่หลาย
ในสุขภาพ สังคม และวิทยาศาสตร์ทางชีวภาพ ในบทความนี้เราจะกล่าวถึงสี่
แบบจำลองทางสถิติเพื่อการวิเคราะห์ข้อมูลตามยาว ANOVA , MANOVA mrm และ
, , แหวะ ANOVA และ MANOVA เป็นที่รู้จักกันดีและจัดการได้ง่ายใน SAS ,
และทั้งสองรุ่นถือว่าการวัดและปกติกระจายเป็นเนื้อเดียวกันข้อผิดพลาดที่
ผ่านกลุ่ม ช่วง ความสมมาตรซึ่งมีถือว่าสารประกอบ
ความถูกต้องเล็กน้อยสำหรับระยะยาว และ maova ไม่อนุญาตให้ข้อมูลที่หายไป พวกเขา
ประเมินค่าและเปรียบเทียบกลุ่มหมายถึงและไม่ได้ข้อมูลเกี่ยวกับการเจริญเติบโตของแต่ละคน

รุ่น mrm ค่อนข้างใช้กันอย่างแพร่หลายเพื่อการวิเคราะห์ข้อมูล
ตามยาวรุ่นนี้สามารถใช้กับผลลัพธ์ที่สำคัญหรือในนามหรือนับผล
ที่มีการแจกแจงปัวซง ซึ่งเราได้กล่าวถึงในบทความนี้
ประโยชน์ mrm คือข้อมูลที่ขาดหายไปจะ ignorable ถ้าขาดการตอบสนองสามารถ
ถูกอธิบายโดยความรู้ หรือโดยการตอบสนองในรูปแบบพร้อมใช้งานจาก
ให้วิชา ข้อเสียคือ วิธีการโอกาสเต็มมากขึ้น
computationally ซับซ้อนกว่ากึ่งโอกาสวิธีการเช่น เชอะ เมื่อ
สนใจทางวิทยาศาสตร์ในการประมาณค่าและการอนุมานของการถดถอยและค่าความแปรปรวนของความแปรปรวน
ไม่ใช่โครงสร้าง ว้าวมีข้อผิดพลาดมาตรฐานที่
คึกคัก MIS specifiction ของความแปรปรวนร่วมและโครงสร้าง นอกจากนี้ตามที่ระบุไว้
จีมักใช้เป็นการทั่วไป และ computationally สะดวกวิธีในความเป็นจริงซอฟต์แวร์สำหรับการวิเคราะห์การแสดง Gee
สามารถใช้ได้ในส่วนของหลักสถิติ
ซอฟต์แวร์แพคเกจ ข้อเสีย คือ ข้อมูลที่ขาดหายไปเท่านั้น ignorable ถ้า
ข้อมูลขาดหายไปจะอธิบายโดยความรู้ในรูปแบบ นี่คือที่เข้มงวดมากขึ้น
สมมติฐานกว่า mrm ดังนั้นจีรุ่นมีค่อนข้างจำกัด การใช้ข้อมูลระยะยาว

ไม่สมบูรณ์